✅تحلیل سیگنال‌های MEG/EEG با کتابخانه MNE پایتون


✍در این مقاله به تحلیل سیگنال‌های EEG/MEG با استفاده از پکیج MNE-Python می‌پردازیم. اینکه چطور دیتاست را بخوانیم، ترایال‌ها را جدا کنیم و یا آنها را رسم کنیم. در این مقاله مهم‌ترین ساختار داده‌های پکیج MNE-Python معرفی می‌شوند: Raw, Epochs.

⭕️ جزئیات بیشتر 👇

https://onlinebme.com/meg-eeg-signal-analysis-using-mne-python/

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme

💡 شبکه عصبی و اهمیت مدل سازی مغز انسان
👨‍💻محمد نوری زاده چرلو
🗓 13 آذر 1402
#PyTorch

✍شبکه عصبی یک روشی در هوش مصنوعی است که به کامپیوتر یاد میدهد تا داده ها را به روشی پردازش کند که از مغز انسان الهام گرفته شده است. ولی سوال اساسی این است که چرا میخواهیم مغز انسان را مدل کنیم و اینکه چرا امروزه مدلسازی مغز انسان انقدر اهمیت پیدا کرده است. در این پست میخواهیم با اهمیت و نحوه مدلسازی مغز انسان آشنا شویم

🔘 جزئیات بیشتر👇
https://onlinebme.com/neural-networks-and-modeling-the-brain-with-computers/
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme

✅ترنسفورمرها (Transformers) چطور کار می‌کنند؟
👩‍💻هما کاشفی امیری
🗓16 آذر 1402

✍️ترنسفورمرها نوعی از معماری شبکه عصبی هستند که محبوبیت زیادی پیدا کرده‌اند. ترنسفورمرها اخیراً توسط OpenAI در مدل‌های زبانی مورد استفاده قرار گرفته‌اند همچنین اخیراً توسط DeepMind برای AlphaStar استفاده شده‌اند. ترنسفورمرها برای حل مسائل انتقال توالی (Sequence Transduction) یا ترجمه ماشینی ساخته شده‌اند. یعنی هر تسکی که یک دنباله‌ی ورودی را به یک دنباله‌ی خروجی تبدیل می‌کند. از جمله‌ی این مسائل تشخیص گفتار، تبدیل متن به گفتار و … است.

⭕️ جزئیات بیشتر 👇
https://onlinebme.com/transformers/
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme

✅ گرادیان نزولی و نقش آن در فرایند یادگیری شبکه های عصبی
🧑‍💻محمد نوری زاده چرلو
🗓20 آذر 1402
#PyTorch
💡گرادیان نزولی (gradient descent) یک الگوریتم بهینه سازی است که در شبکه های عصبی با کمک آن وزنهای سیناپسی تنظیم می شوند. به عبارتی با کمک گرادیان نزولی، شبکه های عصبی آموزش دیده و دانش لازم برای حل مئسله را بدست می آوردند.
🔺این الگوریتم با یک مقدار اولیه برای پارامتر بهینه سازی (وزنهای سیناپسی در شبکه های عصبی) شروع می‌کند، و براساس شیب خطا پارامتر بهینه سازی را تنظیم می‌کند.
🔺 گردایان نزولی در طول تکرارهای مختلف، در جهت شیب منفی خطا حرکت می‌کند تا به نقطه بهینه (global minima) همگرا شود. با کمک این رویکرد، شبکه های عصبی، در طول زمان وزنهای سیناپسی خود را برای حل مسئله خاص تنظیم می‌کنند.
🔺در این پست میخواهیم با فلسفه گرادیان نزولی برای حل مسئله، و چالشهایی که دارد آشنا شویم.

🔘جزئیات بیشتر 👇
https://onlinebme.com/gradient-descent/
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme

✅کار با داده‌های حوزه‌ی فرکانس در پکیج MNE پایتون
👩‍💻هما کاشفی امیری
🗓23 آذر 1402

✍️در این مقاله یاد می‌گیریم که با استفاده از پکیج MNE پایتون چطور بازنمایی‌های حوزه فرکانس داده‌ی خود را تجسم سازی کنیم و برای این منظور کلاس‌های Spectrum و EpochsSpectrum را معرفی می‌کنیم.

⭕️ جزئیات بیشتر 👇
https://onlinebme.com/working-with-frequency-domain-data-using-mne-python/

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme

✅پارامترهای ارزیابی در مسائل رگرسیون و طبقه بندی
🧑‍💻محمد نوری زاده چرلو
🗓27 آذر 1402

✍در طراحی و تعیین پارامترهای یک مدل یادگیری ماشین، روشها و پارامترهای ارزیابی نقش بسیار مهمی دارند. چرا که به ما کمک می‌کنند دید درستی به مدل طراحی شده داشته باشیم و متوجه بشویم که مدل یادگیری ماشین underfit ،overfit  شده است یا نه. در مسائل طبقه بندی و رگرسیون برای ارزیابی مدل یادگیری ماشین پارامترهای ارزیابی مختلفی وجود دارد، در این پست میخواهیم با چند تا از این پارامترهای ارزیابی مهم آشنا شویم.

🔘جزئیات بیشتر 👇
https://onlinebme.com/validation-parameters-in-regression-and-classification/
 
 🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme

✅مکانیزیم Attention در یادگیری عمیق
👩‍💻هما کاشفی امیری
🗓30 آذر 1402

✍️با پیچیده‌تر شدن مدل‌های یادگیری عمیق، نیاز به روش‌های موثر پردازش حجم زیادی از داده، اهمیت فزاینده‌ای پیدا کرده است. یکی از این روش‎ها، مکانیزیم توجه (attention) است که به مدل امکانی می‌دهد تا در هنگام پیش بینی بر مرتبط‌ترین اطلاعات، تمرکز کند و پیش‌بینی را بر اساس آنها انجام دهد.

⭕️ جزئیات بیشتر 👇
https://onlinebme.com/%d9%8eattention-in-deep-learning/

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme

✅ حالت های ارائه داده آموزشی به شبکه های عصبی
#PyTorch
👨‍💻محمد نوری زاده چرلو
🗓 04 دی 1402

✍ در آموزش شبکه های عصبی، داده های آموزش را میتوان به سه شکل pattern mode, batch-mode و mini-batch به شبکه عصبی ارائه داد. هرکدام از این حالتها مزایا و معایب خودشون رو دارند. در این پست میخواهیم با هر سه حالت آموزش شبکه عصبی و مزایا و معایب آنها آشنا شویم و در آخر هم بررسی می‌کنیم که batch-size را چند در نظر بگیریم بهتر است و داستان عدد جادویی 32 چیه؟

🔘 جزئیات بیشتر 👇
https://onlinebme.com/pattern-mode-batch-mode-and-mini-batch-mode-in-training-neural-networks/

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme

✅رسم موقعیت مکانی الکترودهای سیگنال EEG با استفاده از پکیج MNE پایتون
#MNE_PYTHON
👩‍💻هما کاشفی امیری
🗓7 دی 1402

✍️در این مقاله توضیح می‌دهیم که چطور می‌توان با استفاده از پکیج MNE پایتون، موقعیت مکانی حسگرها را خواند و رسم کرد و پکیج MNE چطور موقعیت مکانی حسگرها را تشخیص می‌دهد.

⭕️ جزئیات بیشتر👇
https://onlinebme.com/working-with-sensor-locations-with-mne-python/
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme

✨ سال نو میلادی بر هم‌وطنان عزیز مسیحی مبارک باشه❤️

@onlinebme

✅شبکه عصبی پرسپترون چند لایه و مسائل غیرخطی
👨‍💻محمد نوری زاده چرلو
19 دی 1402
#PyTorch

شبکه عصبی پرسپترون چندلایه از سه نوع لایه ورودی، پنهان و خروجی تشکیل شده است. از قانون یادگیری پس انتشار خطا برای تنظیم وزنهای سیناپسی خود استفاده می‌کند و میتواند در مسائل طبقه بندی، رگرسیون و مدلسازی استفاده شود. در این پست میخواهیم با ساختار این شبکه عصبی و نقش هر لایه آن در حل مسئله را بررسی کنیم.

☑️مباحثی که در این پست بررسی میکنیم: 
◻️مسئله XOR و خواب زمستانی هوش مصنوعی
◻️مسئله غیرخطی و پرسپترون تک لایه
◻️قضیه کاور
◻️ شبکه عصبی پرسپترون چندلایه
◻️ نقش لایه ها در پرسپترون چند لایه
    ▪️ لایه ورودی
    ▪️ لایه‌های پنهان
    ▪️ لایه خروجی
◻️ بررسی یک سری سوالات رایج

🔘 جزئیات بیشتر 👇
https://onlinebme.com/multilayer-perceptron-neural-network-for-nonlinear-data/
🏢آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme

⬛️◼️◾️ پکیجهای آموزشی Onlinebme ◾️◼️⬛️

🔆 اولین گروه آموزشیِ تخصصی و پروژه محور 🔆


〰〰〰〰〰 برنامه‌نویسی متلب 〰〰〰〰〰

🔲 اصول برنامه‌نویسی در متلب (رایگان)
▪️مدت دوره: 11 ساعت
🔘 Link


〰〰〰〰〰 برنامه‌نویسی پایتون  〰〰〰〰〰

⚪️ فصل 1: اصول برنامه‌نویسی پایتون 
◽️مدت دوره: 32 ساعت
🔘 Link
⚪️ فصل 2-3: کتابخانه NumPy و Matplotlib
◽️مدت دوره: 18 ساعت
🔘 Link
⚪️ فصل 4: برنامه نویسی شیء گرا در پایتون
◽️مدت دوره: 14 ساعت 30 دقیقه
🔘 Link


〰〰〰 شناسایی الگو و یادگیری ماشین 〰〰〰

⚠️ 140 ساعت ویدیوی آموزشی
🔹آموزش تئوری و مباحث ریاضیاتی طبق مراجع معتبر
🔹پیاده‌سازی مرحله به مرحله الگوریتمها
🔹انجام پروژه های عملی و تخصصی
🔹پیاده سازی گام به گام مقالات تخصصی
 
⚪️فصل 1 تا 4: از بیزین تا SVM
◽️مدت دوره: 75 ساعت
🔘 Link
⚪️فصل 5: یادگیری جمعی
◽️مدت دوره: 18 ساعت
🔘 Link
⚪️فصل 6: الگوریتم‌های کاهش بعد
◽️مدت دوره: 11 ساعت
🔘 Link
⚪️فصل 7:  الگوریتم‌های انتخاب ویژگی
◽️مدت دوره: 16 ساعت
🔘 Link
⚪️فصل 8: الگوریتم‌های خوشه‌بندی
◽️مدت دوره: 13 ساعت
🔘 Link


〰〰〰〰〰 شبکه‌های عصبی 〰〰〰〰〰

⚪️ پیاده سازی گام به گام شبکه های عصبی
◽️مدت دوره: 25 ساعت
🔘 Link
⚪️ دوره پروژه محور شبکه عصبی کانولوشنی (CNN)
◽️مدت دوره: 11 ساعت
🔘 Link
⚪️ دوره پروژه محور شبکه عصبی بازگشتی (RNN)
◽️مدت دوره: 13 ساعت
🔘 Link
⚪️دوره پروژه محور کاربرد شبکه‌های عمیق در بینایی ماشین
◽️مدت دوره: 16 ساعت
🔘 Link


〰〰〰〰 پردازش سیگنال مغزی 〰〰〰〰

⚪️ دوره جامع پردازش سیگنال مغزی(EEG)
◽️مدت دوره: 50 ساعت
🔘 Link
⚪️ واسط مغز-کامپیوتر مبتنی بر P300
◽️مدت دوره: 28 ساعت
🔘 Link
⚪️ واسط مغز-کامپیوتر مبتنی بر SSVEP
◽️ مدت دوره: 33 ساعت
🔘 Link
⚪️ واسط مغز-کامپیوتر مبتنی بر تصور حرکتی
◽️مدت دوره: 21 ساعت
🔘 Link
⚪️ پیاده‌سازی مقاله CSSP (BCI مبتنی بر MI)
◽️مدت دوره: 7 ساعت و 30 دقیقه
🔘 Link
⚪️پیاده‌سازی مقاله RCSP (BCI مبتنی بر MI)
◽️مدت دوره: 5 ساعت
🔘 Link
⚪️دوره تبدیل فوریه زمان کوتاه در پردازش سیگنال مغزی
◽️مدت دوره: 8 ساعت
🔘 Link


〰〰〰〰 دوره جامع پردازش تصویر 〰〰〰〰

⚪️فصل 1: آستانه گذاری تصویر، تبدیلات شدت روشنایی و هندسی
◽️مدت دوره: 30 ساعت
🔘 Link
⚪️فصل 2: پردازش هیستوگرام تصویر
◽️مدت دوره: 6 ساعت و 30 دقیقه
🔘 Link
⚪️فصل 3: فیلترهای مکانی
◽️مدت دوره: 15 ساعت و 30 دقیقه
🔘 Link
⚪️فصل 4: عملیات مورفورلوژی
◽️مدت دوره: 6 ساعت
🔘 Link


🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

✅خواندن و پردازش داده ی EEG فرمت .gdf با استفاده از پکیج MNE-Python

#MNE_PYTHON
👩‍💻هما کاشفی امیری
🗓21 دی 1402

✍️فرمت داده‌ی General Data Format (GDF) برای سیگنال‌های پزشکی یک فرمت فایل داده‌ی پزشکی و علمی است. هدف GDF ترکیب و ادغام بهترین ویژگی‌های همه‌ی فرمت‌های فایل بیوسیگنال در یک فرمت فایل واحد است. در این مقاله بررسی می‌کنیم که چطور می‌توان داده‌های EEG یا MEG فرمت .gdf را با پکیج MNE پایتون خواند و پردازش کرد.

⭕️ جزئیات بیشتر👇
https://onlinebme.com/gdf-file-format-in-mne-python/

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme

تابع هزینه cross entropy و تفاوت آن با مربعات خطا
🧑‍💻محمد نوری زاده چرلو
🗓 25 دی 1402
#PyTorch

تابع هزینه یک تابع ریاضیاتی است که عملکرد شبکه عصبی را در انجام یک تسک خاص اندازه گیری می‌کند. توابع هزینه نقش اساسی در یادگیری شبکه های عصبی دارند و به شبکه های عصبی کمک می‌کنند در راستای هدف خاصی وزنهای خود را تنظیم بکنند. توابع هزینه cross-entropy و مربعات خطا معروفترین توابع هزینه در مسائل طبقه بندی و رگرسیون هستند. در این پست میخواهیم با هر کدام از این توابع هزینه آشنا شویم. و علت ترجیح cross-entropy  به MSE در مسائل طبقه بندی را با یک مثال ساده بررسی کنیم.

 ☑️مباحثی که در این پست بررسی میکنیم: 
◻️نقش توابع هزینه
◻️تابع هزینه MSE
◻️تابع هزینه Cross-Entropy
◻️ تابع هزینه مناسب برای مسائل رگرسیون
◻️ تابع هزینه مناسب برای مسائل طبقه‌بندی
◻️ بررسی یک سری سوالات رایج

🔘 جزئیات بیشتر 👇
https://onlinebme.com/cross-entropy-loss-function-in-machine-learning

🏢آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme

✅ مقدمه‌ای بر شبکه‌های مولد تخاصمی (GANs)
👩‍💻هما کاشفی امیری
🗓28 دی 1402

✍شبکه‌های GAN حوزه‌ای مهیج و به سرعت در حال تغییر هستند که نوید مدل‌های مولد با قابلیت بالا را می‌دهند. برای مثال می‌توانند نمونه‌های واقعی در طیف وسیعی از مسائل تولید کنند، مانند تبدیل تصاویر تابستان به زمستان، تبدیل تصاویر روز به شب و یا تولید تصاویری از چهره‌ی انسان که هیچ کس غیرواقعی بودن آنها را متوجه نمی‌شود. در این مقاله‌، معرفی اولیه‌ای از شبکه‌های مولد تخاصمی یا GANها را ارائه خواهیم کرد.

⭕️ جزئیات بیشتر👇
https://onlinebme.com/generative-adversarial-networks/

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme

دوره جامع و پروژه محور کار با سیگنال EEG با استفاده از پکیج MNE پایتون

بخش اول: مباحث پایه و عمومی

  🔹 نصب پکیج MNE_Python
  🔹 خواندن دیتاهای EEG به فرمت های مختلف (gdf, fif, mat, csv)
  🔹 کار با داده های EEGپیوسته و جداکردن ترایال ها
  🔹 پیش پردازش سیگنال
  🔹 تحلیل Time-Frequency سیگنال
  🔹 تجسم سازی سیگنال‌ها و نمایش نتایج
  🔹 انجام چندین پروژه ی عملی با الگوریتم های یادگیری ماشین

بخش دوم: انجام پروژه با شبکه‌های یادگیری عمیق

  🔸پروژه ی تشخیص بیماری صرع از روی سیگنال های EEG با الگوریتم های یادگیری عمیق
  🔸پروژه ی کلاسبندی سیگنال های EEG تصور حرکتی با الگوریتم های یادگیری عمیق (CNN)

  🔸و پروژه های دیگر


🔻نوع دوره: آنلاین همراه با ضبط ویدیوی جلسات
▪️مدت دوره: حدودا 30 ساعت

👩‍💻مدرس: هما کاشفی امیری

✅ جهت ثبت نام به آیدی زیر پیام دهید:
آیدی تلگرام: @mne_python_admin

#python  #MNE_Python #EEG

@Onlinebme